SGUR框架在医学诊断基准中显著提升推理效率

2026年10月23日，Amirhossein Aghaei等人在arXiv发布论文，提出结构接地不确定性减少框架SGUR。该框架无需训练，通过结构化假设空间实现主动不确定性缩减，旨在提升智能体可靠性与效率。 在基于PrimeKG衍生的序列医学诊断基准测试中，SGUR表现出显著优势。从仅2个初始症状出发，该框架实现了92.5%的Hit@3命中率，比最强的Graph-RAG基线高出9.4个百分点，同时Token消耗减少约5倍。 研究证明SGUR使小模型性能匹配或超越大10倍的模型，验证了结构接地可部分替代模型规模的路径。这表明提供比单纯扩大模型规模更稳健、高效的智能体扩展方案，对医疗诊断等高精度场景具有潜在应用价值。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。